Survol

[ English ]

Atelier sur la modélisation informatique de la biologie et des traitements du cancer
19-21 juillet 2021

La biologie et le traitement du cancer impliquent des interactions dynamiques complexes entre les cellules cancéreuses, le microenvironnement tumoral et les molécules thérapeutiques. Les approches quantitatives combinant la modélisation mécaniste des maladies et les stratégies informatiques sont de plus en plus utilisées pour rationaliser les études précliniques et cliniques et pour établir des stratégies de traitement efficaces. De cette façon, les approches mathématiques jettent les bases de «laboratoires virtuels» informatiques qui offrent des conditions entièrement contrôlées et non invasives dans lesquelles nous pouvons étudier les comportements cliniques émergents et interroger de nouvelles stratégies thérapeutiques.
En guise d'introduction à ces laboratoires virtuels, cet atelier fournira un aperçu des techniques utilisées en oncologie computationnelle, en mettant l'accent sur le développement de modèles, l'ajustement des données, les essais cliniques in silico et les modèles à base d'agents (ABM). Des exemples théoriques et pratiques de ces techniques appliquées à la recherche seront fournis par des experts dans le domaine de l'oncologie mathématique. En outre, il y aura des projets en petits groupes et des tutoriels pour mettre en pratique les techniques pertinentes. D'ici la fin de cet atelier, les participants auront une compréhension complète de la modélisation informatique en oncologie, une connaissance explicite de la conception, du codage et de la simulation d'un modèle fondé sur les agents, et une compréhension de la façon de tenir compte de l'hétérogénéité au travers et entre les patients en déployant des essais cliniques sur silico. En résumé, les résultats d'apprentissage sont les suivants:

- développer un modèle informatique d'un problème en oncologie
- comprendre la distinction entre les différents paradigmes des ABM
- comprendre la relation entre les PDE et les GAB
- développer un modèle basé sur des agents en utilisant PhysiCell
- estimation des valeurs de paramètres à partir de données réelles
- générer des patients virtuels et exécuter des essais en silico